2021年春季学期视觉计算实验室第九周论文研读预告

时间 : 2021年04月28日 9:30
地点 : 望江校区基础教学楼B座318实验室
研读成员 : 杨啸、周山丰

Part 1
分享者 :杨啸
[1] Wei D , Li C , Shao H , et al. SensorAware: visual analysis of both static and mobile sensor information[J]. Journal of Visualization, 2021(6).
[2] Narechania A, Qamar A, Endert A. Safetylens: visual data analysis of functional safety of vehicles[J]. IEEE transactions on visualization and computer graphics, 2020.
论文简介
  [1]在这个信息时代,传感器网络被部署到环境监测、工业过程控制、交通监控等各个领域以进行数据采集。这些传感器物理位置可以是固定的,也可以是移动的。在本文中提出了SensorAware,一个用于可视化静态和移动传感器时空数据的可视化交互系统。为了处理大规模的数据,SensorAware首先在空间和时间窗口内聚合了多个传感器的测量值,以获得数据切片。具有不确定性测量的数据切片随后被可视化为地图中的像素,并且聚集的粒度可以通过调整视觉界面中的像素分辨率来控制。为了简化时间序列的表示,通过事件检测从原始传感器读数中提取事件序列,然后将其可视化为像素阵列。SensorAware同时也提供了交叉过滤的交互方式,允许用户从空间和时间方面在不同的细节级别调查数据。

图1 SensorAware

  [2]现代汽车已经从单纯的机械系统发展到完善的电子系统。完备的电子系统可以增强车辆动力和驾驶员的驾驶体验。然而如果设计不当,这些复杂的硬件和软件系统可能会出现故障,危及车辆、乘员和周围环境的安全。例如,一个避免碰撞的刹车系统在正常运行时可以挽救生命,但如果刹车的使用方式与设计的不一致,可能会导致严重的后果。将此类风险降至最低而进行的分析属于“功能安全”的系统工程领域。本文提出了SafetyLens,一个可视化数据分析工具,用于帮助工程师和分析师分析汽车功能安全数据集。SafetyLens结合了网络探索和可视化比较等技术,帮助分析师执行特定领域的任务。

图2 Safetylens

Part 2
分享者 : 周山丰
[1] Xie X, Du F, Wu Y. A Visual Analytics Approach for Exploratory Causal Analysis: Exploration, Validation, and Applications[J]. IEEE Transactions on Visualization and Computer Graphics, 2020.

论文简介
  [1]因果推理是数据分析和决策中的一项常见任务。例如医生想找出疾病症状的根本原因,营销人员希望了解哪些客户群体对他们的收入贡献最大。目前使用因果关系来指导决策已经成为从市场营销和医学到教育和社会科学等各个领域的重要分析任务,但是领域从业者仍然缺乏有效的可视化界面来解释因果关系并在他们的决策过程中应用它们。本文介绍了一个可视化系统,该系统允许分析师在现实世界的决策场景中探索、验证和应用因果关系。其采用一种感知不确定性的因果图可视化,用于呈现从高维数据中推断出的大量因果关系。文末通过两个分别在教育和数字营销领域的案例研究作为评估验证,同时结合领域专家的访谈研究以证明用户可以有效地探索因果关系,并为实现他们的目标设计行动计划。

图3 Causality Explorer因果探索系统界面
123